文献类型： 中文期刊

作者： 陆健强 ¹ ; 梁效 ¹ ; 余超然 ² ; 兰玉彬 ¹ ; 邱洪斌 ¹ ; 黄捷伟 ¹ ; 尹梓濠 ¹ ; 陈慧洁 ¹ ; 郑胜杰 ¹ ;

作者机构： 1.华南农业大学电子工程学院(人工智能学院)

2.广东省农业科学院蔬菜研究所

关键词： 模型;深度学习;植物线虫病;杀线农药;目标检测;注意力机制;损失函数

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2022 年 38 卷 022 期

页码： 123-132

收录情况： EI ; 北大核心 ; CSCD

摘要： 绿色高效杀线农药是现阶段防治植物线虫病的有效手段之一,针对在大规模杀线农药活性筛选测试阶段,传统人工镜检工作存在耗时长、准确率低、工作量大等问题,提出一种基于坐标注意力机制与高效边界框回归损失的线虫快速识别方法YOLOFN(YOLO for Nematodes).基于YOLOv5s目标检测理论框架,在主干网络嵌入坐标注意力机制特征提取模块,融合线虫特征图位置信息于通道注意力中;进一步,平衡考量线虫目标的重叠比例、中心点距离、预测框宽高以及正负样本比例,以精确边界框回归的高效损失函数(Efficient IoU,EIoU)和焦点损失函数(Focal loss)优化定位损失函数和分类损失函数,最小化真实框与预测框的宽高差值,动态降低易区分样本的权重,快速聚焦有益训练样本,以提升模型对重叠黏连线虫目标的解析能力和回归精度.试验结果表明,YOLOFN在准确率、召回率和平均精度均值(mean Average Precision,mAP)性能指标上较改进前提高了0.2、4.4和3.8个百分点,与经典检测算法YOLOv3、SSD、Faster R-CNN3相比,mAP分别提高了1.1、31.7和15.1个百分点;与轻量化主干算法深度可分离卷积-YOLOv5、Mobilenetv2-YOLOv5、GhostNet-YOLOv5相比,在推理时间基本无差别情况下,mAP分别高出11.0、16.3和15.0个百分点.YOLOFN模型可快速、准确、高效完成线虫镜检统计工作,满足植物线虫病农药研发的实际需求,为加快植物线虫病防治新药的研制提供有力技术支持.